AMIT ELREJTENEK A FELS } OOKTAT ¶ ASI INT¶ EZM¶ ENYEK RANGSORAI
1KOV ¶ACS ERZS¶EBET Budapesti Corvinus Egyetem
A fels}ooktat¶asi rangsorokat kiemelt ¶erdekl}od¶es Äovezi nemcsak haz¶ankban, hanem szerte a vil¶agban, hiszen ezen a terÄuleten is verseny folyik a hall- gat¶ok¶ert. Az egyetlen sz¶am, a rangsor kÄonnyen ¶ertelmezhet}o, ¶es a rangsorban elfoglalt hely a marketing c¶elok mellett a ¯nansz¶³roz¶asi forr¶asok elnyer¶es¶e- ben is fontos. Az elm¶ult 2 ¶evtizedben tÄobbf¶ele rangsor v¶alt ismertt¶e, ezek kÄulÄonbÄoz}o mutat¶osz¶amok s¶ulyozott ¶atlagain alapulnak, ez¶ert egym¶assal nem Äosszehasonl¶³that¶oak. A cikk a rangsorol¶as m¶odszertani kih¶³v¶asait vizsg¶alja, ¶es olyan sokv¶altoz¶os statisztikai megkÄozel¶³t¶est alkalmaz, ami kev¶esb¶e elterjedt ezen a terÄuleten. Bemutatjuk, hogy ¶erdemes tÄobb { egym¶assal sztochasztikus kapcsolatban ¶all¶o { v¶altoz¶o inform¶aci¶otartalm¶at s}ur¶³teni faktorelemz¶essel, klaszterez¶essel ¶es sokdimenzi¶os sk¶al¶az¶assal. ¶Igy meghat¶arozhat¶o a lehet}o leg- kisebb sz¶am¶u dimenzi¶o { de nem egyetlen rangsor {, amelyben ¶ert¶ekelhet}oek
¶es elrendezhet}oek a fels}ooktat¶asi int¶ezm¶enyek.
Kulcsszavak: fels}ooktat¶asi rangsorok, f}okomponens-elemz¶es, klaszterelem- z¶es, sokdimenzi¶os sk¶al¶az¶as. JEL k¶odok: I23, C38
A fels} ooktat¶ asi rangsorok m¶ odszertani ¶ attekin- t¶ ese
M¶odszertani elemz¶est k¶eszÄulÄok ¶³rni egy sokak ¶altal vitatott t¶em¶ar¶ol, ez¶ert m¶ar az elej¶en ¶erdemes kijelenteni, hogy a fels}ooktat¶asi rangsorok Äossze¶all¶³t¶as¶anak sincs vit¶an felÄul ¶all¶o, objekt¶³v m¶odja. KÄulÄonbÄoz}o rangsort k¶esz¶³t}ok kÄulÄonbÄoz}o eredm¶enyekre jutnak, sz¶amosan kritiz¶alj¶ak az eredm¶enyeiket ¶es m¶eg tÄobben olvass¶ak, haszn¶alj¶ak azokat. P¶arhuzamk¶ent gondolhatunk itt a versenyk¶e- pess¶egi rangsorokra is, ahol hasonl¶o neh¶ezs¶eget okoz az, hogy a t¶arsadalmi- gazdas¶agi folyamatok sok hat¶ot¶enyez}oj¶et hogyan vegy¶ek ¯gyelembe, milyen s¶ulyoz¶ast alkalmazzanak. Nem kÄonnyebb itt sem a feladat, hiszen minden rangsornak min}os¶eget kell kifejeznie, mikÄozben az id}ok sor¶an v¶altoz¶o, mennyi- s¶egi mutat¶ok Äosszes¶³t¶ese r¶ev¶en ¶all el}o.
P¶eldak¶ent ¶alljon itt az egyik legismertebb { az eg¶esz vil¶agb¶ol Äosszesen 3000 fels}ooktat¶asi int¶ezm¶enyt ¶ert¶ekel}o egyetemi rangsor, a Quacquarelli Symonds
1Jelen tanulm¶any Temesi J¶ozsef 70. szÄulet¶esnapj¶ara k¶eszÄult. A t¶emav¶alaszt¶as tisztelg¶es Temesi J¶ozsef fels}ooktat¶asi t¶em¶akra ir¶anyul¶o kutat¶omunk¶aja ir¶ant, aki tansz¶ekvezet}ok¶ent el}odÄom volt a BCE Oper¶aci¶okutat¶as ¶es Aktu¶ariustudom¶anyok tansz¶eken. KÄoszÄonÄom az anonim lektor megjegyz¶eseit, amelyek seg¶³tett¶ek a cikk tov¶abbgondol¶as¶at. E-mail:
erzsebet.kovacs@uni-corvinus.hu. Be¶erkezett: 2020. janu¶ar 4.
(QS) k¶esz¶³t¶es¶enek m¶odja2, ahol az 1. t¶abl¶azatban szerepl}o hat t¶enyez}ot kÄu- lÄonbÄoz}o s¶ulyokkal vett¶ek ¯gyelembe 2014-ben.3 A QS 2019-es eredm¶enyeit olvasva (QS EECA 2020) l¶athat¶o, hogy t¶³zre b}ov¶³tett¶ek a mutat¶ok kÄor¶et, ¶es egy¶uttal jelent}osen megv¶altozott a s¶ulyok feloszt¶asa is.
QS EECA mutat¶o A mutat¶o rÄovid A mutat¶o s¶ulya angol neve 2014-ben, % 2019-ben, % Akad¶emiai, kutat¶oi reput¶aci¶o Academic reputation 40 30 Munk¶altat¶oi megbecsÄults¶eg Employer reputation 10 20 Kari oktat¶ok/hallgat¶ok ar¶anya Faculty student 20 10 Id¶ezetts¶eg cikkenk¶ent (cit¶aci¶o) Citations per paper 20 5 KÄulfÄoldi hallgat¶ok ar¶anya International students 5 2,5 KÄulfÄoldi dolgoz¶ok ar¶anya International faculty 5 2,5 Oktat¶okra jut¶o cikkek sz¶ama Papers per faculty ¡ 10
PhD-vel rendelkez}o oktat¶ok Sta® with PhD ¡ 5
NemzetkÄozi kutat¶asi h¶al¶ozatok- ban val¶o r¶eszv¶etel
International research network
¡ 10
WEB hat¶as Web Impact ¡ 5
1. t¶abl¶azat.A QS EECA rangsor v¶altoz¶otartalma
Az akad¶emiai/kutat¶oi reput¶aci¶ot a kutat¶ok, a munk¶altat¶oi megbecsÄult- s¶eget a munk¶altat¶ok glob¶alis k¶erd}o¶³ves megk¶erdez¶ese alapj¶an sz¶am¶³tj¶ak. Az egyetemi kar oktat¶oi/hallgat¶ok ar¶anyt a tan¶³t¶as ir¶anti elkÄotelez}od¶es indik¶a- torak¶ent veszik ¯gyelembe, de ez a mutat¶o ink¶abb input jelleg}u ¶es a nemzeti helyez¶esben fontos, m¶³g a kutat¶asi h¶al¶ozatok ¶es publik¶aci¶ok ink¶abb az out- putot jellemzik ¶es a nemzetkÄozi rangsorok fontos elemei, ahogy ezt tÄobb szerz}o nyom¶an Cs¶oka ¶es szerz}ot¶arsai (2019) Äosszegzik.
A QS-sel kezdetben egyÄuttm}ukÄod}o, de 2010 ¶ota kÄulÄon rangsort k¶esz¶³t}o Times Higher Education (THE) az oktat¶as, kutat¶as, tud¶astranszfer ¶es nem- zetkÄozi szeml¶eletm¶od Äosszesen 13 m¶er}osz¶amot veszi ¯gyelembe. Ezzel teh¶at azt is kijelenthetjÄuk, hogy m¶eg a rangsorra hat¶ast gyakorl¶o t¶enyez}ok kÄore
¶es sz¶ama is elt¶er, ha m¶as id}oszakban, m¶as int¶ezm¶eny ¶altal k¶esz¶³tett rangsort tekintÄunk. Az eredm¶enyeket bemutat¶o list¶akon az els}o 100, 200, 500 vagy 800 int¶ezm¶eny szerepel egy-egy ¶evben. Azt azonban kijelenthetjÄuk, hogy m¶ar a list¶an szerepelni is Äonmag¶aban ,,¶ert¶ek", mikÄozben a rangsorok hasznoss¶ag¶at is megk¶erd}ojelezi Vernon ¶es t¶arsai (2018) tanulm¶anya. Vernon¶ek els}osorban az¶ert vitatj¶ak a mutat¶ok megb¶³zhat¶os¶ag¶at, mert ezek nagyon elt¶er}oek: a 4-30 kÄozÄotti indik¶atorra ¶ep¶³t}o 24 el¶erhet}o rangsor kÄozÄul 13 olyan van, aminek az Äosszet¶etele, a bels}o s¶ulyok ismertek, ¶es ezek kÄozÄul 6 csak a kutat¶asi ¶es pub- lik¶aci¶os teljes¶³tm¶enyre f¶okusz¶al. Az oktat¶as ¶es a kutat¶as azonban nemcsak egym¶ast er}os¶³ti ¶es kieg¶esz¶³ti, de egym¶ast helyettes¶³theti is, ahogy erre Cs¶oka
¶es szerz}ot¶arsai (2019) felh¶³vj¶ak a ¯gyelmet.
2https://hu.wikipedia.org/wiki/ F%C5%91iskol%C3%A1k %C3%A9s egyetemek rangs orai
3Az 1. t¶abl¶azatban megadott angol elnevez¶esek szerepelnek a tov¶abbi t¶abl¶azatokban ¶es
¶ abr¶akon.
A nemzetkÄozi fels}ooktat¶asi rangsorok elterjed¶es¶et tanulm¶anyozva izgal- mas az id}oz¶³t¶es k¶erd¶ese is, vagyis az, hogy mi¶ert ¶eppen a 2000-es ¶evek elej¶en4 v¶altak ennyire fontoss¶a a helyez¶esek. Itt nem besz¶elhetÄunk m¶odszertani ¶at- tÄor¶esr}ol, hiszen a pontoz¶as, az oszt¶alyoz¶as ¶es a s¶ulyozott ¶atlagol¶as nem ig¶enyel nagy sz¶am¶³t¶og¶epes kapacit¶ast, az Äosszetett tÄobbv¶altoz¶os statisztika m¶odszerek alkalmaz¶asa { sz¶amomra meglep}o m¶odon { nem v¶alt uralkod¶ov¶a a fels}ooktat¶a- si Äosszehasonl¶³t¶asok terÄulet¶en. A rangsorokra ir¶anyul¶o ezredfordul¶os ¯gyelem azzal magyar¶azhat¶o, hogy ekkorra v¶alt nyilv¶anval¶ov¶a az a demogr¶a¯ai folya- mat, amelyet egyes szerz}ok demogr¶a¯ai ap¶alyk¶ent eml¶³tenek. RÄoviden ez azt jelenti, hogy a baby-boom gener¶aci¶ot kÄovet}o nemzed¶ek term¶ekenys¶egi r¶at¶aja egyre csÄokken, a gyermekek gyermekeinek sz¶ama nagyon kicsi, a fejlett orsz¶a- gokban messze kett}o alatti az egy szÄul}ok¶epes kor¶u n}ore jut¶o gyermekv¶allal¶as.
MikÄozben az ¶uj ¶evezred els}o ¶eveiben a tud¶asalap¶u t¶arsadalom ig¶enyeit kÄovetve a 19-24 ¶eves koroszt¶alynak mintegy 40%-a bel¶ep a fels}ooktat¶as kÄulÄonbÄoz}o szintjeire (Temesi J¶ozsef5, 2012), emellett a megemelkedett l¶etsz¶am ¶es ar¶any mellett is ¶ugy ¶erzik az egyes fels}ooktat¶asi int¶ezm¶enyek, hogy nincs kell}o ¶erdek- l}od¶es/kereslet egy-egy eur¶opai orsz¶agon belÄul a jelent}osen kib}ovÄult fels}ook- tat¶asi f¶er}ohelyek ir¶ant. A kÄulfÄoldi di¶akok bevonz¶asa pedig versenyt induk¶al,
¶es a rangsorbeli hely kÄonnyen ¶erthet}o inform¶aci¶ot jelent a di¶akok ¶es a szÄul}ok sz¶am¶ara.
A hazai felv¶eteliz}oket t¶aj¶ekoztat¶o ¶es t¶amogat¶o rangsorol¶as is ¶eppen 20
¶eves az id¶en a Felvi.hu oldalon6tal¶alhat¶o Äosszefoglal¶o alapj¶an. A nemzetkÄozi rangsorol¶asokat tanulm¶anyozva 10 ¶evnyi el}ok¶esz¶³t}o munka ut¶an 2000-ben az Universitas Press Fels}ooktat¶as-kutat¶o M}uhely kezdem¶enyezte ¶es k¶esz¶³tette el Magyarorsz¶agon els}ok¶ent nyolc k¶epz¶esterÄuleten a fels}ooktat¶asi int¶ezm¶enyi rangsorokat. Ezek hallgat¶oi v¶elem¶enyeken alapul¶o ¶ert¶ekel¶est jelentettek, ¶es az els}o hazai rangsorokat foly¶oiratok mell¶ekletei tett¶ek kÄozz¶e 2001-ben ¶es 2002- ben. L¶enyeg¶eben azonos m¶odszertant kÄovettek 10 ¶even ¶at, majd 2010-re a fels}ooktat¶ast kutat¶o szakemberek szerint meg¶erett a helyzet7 e rangsorol¶as
¶
ujragondol¶as¶ara. Azt a k¶erd¶est kezdt¶ek vizsg¶alni, hogy mik¶eppen ¶es mi¶ert
¶erdemes rangsorokat k¶esz¶³teni a magyar fels}ooktat¶asi int¶ezm¶enyekre. De az
¶en olvastomban m¶eg ekkor is a rangsorol¶ason volt a hangs¶uly.
A hazai szakemberek is felismert¶ek, hogy a fels}ooktat¶as valamennyi sze- repl}oje, az oktat¶ok, tov¶abbtanul¶ok, a ¯nansz¶³roz¶ok ¶es a dÄont¶eshoz¶ok m¶ast- m¶ast l¶atnak a rangsorban, de mindenki sz¶am¶ara inform¶aci¶ot ad a rangsorban elfoglalt hely ¶es a helyez¶esek ¶evenk¶enti v¶altoz¶asa. Az igazi k¶erd¶es csak az, hogy a rangsor a fels}ooktat¶as val¶os¶agos ¶ert¶ek¶et, azaz a min}os¶eget fejezi-e ki, vagy leegyszer}us¶³tve kÄozÄol egy helyez¶est.
A versenypoz¶³ci¶o megb¶³zhat¶o m¶er¶es¶et ¶es az egys¶eges m¶erce hi¶any¶at emeli ki TÄorÄok ¶Ad¶am (2008) is, aki a rangsork¶esz¶³t¶es ¶es az akkredit¶aci¶o szerves Äosszekapcsol¶as¶at tekinti megold¶asnak. ¶Ervel¶ese szerint a Felvi { valamint ezt
4Vernon ¶es t¶arsai (2018) t¶abl¶azatban is Äosszegzik, hogy melyik rangsor melyik ¶evben indult. 2000 el}ott csak egyetlenegyet kÄozÄoltek, az¶ota 24-re n}ott a publik¶alt rangsorok sz¶ama.
5http://unipub.lib.uni-corvinus.hu/1017/1/Temesi felsookt ¯nan.pdf
6www.felvi.hu/felsooktatasimuhely/archivum/rangsor/felvi rangsor kapcsolodo cikkek 7www.felvi.hu/felsooktatasimuhely/folyoirataink/periodika/2009/2009 4 szam
¶atv¶eve a HVG { ¶altal haszn¶alt 14 mutat¶o csak rangsorol¶asi szempontoknak tekinthet}ok, ¶es f}oleg a bemeneti ¶ert¶ekeket m¶eri, nem az oktat¶asi teljes¶³tm¶enyt.
A rangsor vagy oszt¶alyoz¶as k¶erd¶es¶et8 feszegette az az interj¶u, amit F¶abri GyÄorgy Hrubos Ildik¶o professzor emerit¶aval, a t¶ema elismert szak¶ert}oj¶evel k¶esz¶³tett 2009-ben. Hrubos Ildik¶o kiemelte, hogy b¶ar a rangsorhoz tÄobb di- menzi¶ob¶ol kiv¶alasztott indik¶atorokat haszn¶alnak fel, de ezek dÄont}oen a ku- tat¶asi ¶es publik¶aci¶os tev¶ekenys¶eget m¶erik, ami viszonylag sz}uk vetÄulete az egyetemeknek, ¶es ez tudom¶anyterÄuletenk¶ent nagy ar¶anytalans¶agot okoz. Egy m¶asik gondot okoz¶o szempontot is kiemelt Hrubos professzor asszony, amikor az egyszer}uen gy}ujthet}o adatokb¶ol fel¶all¶³tott, ez¶ert objekt¶³vebb rangsort ¶es a szak¶ert}oi v¶eleked¶eseken alapul¶o, ¶³gy szubjekt¶³vebb list¶at ¶all¶³totta egym¶assal szembe.
A nemzeti vagy nemzetkÄozi rangsorol¶as, az egyes tudom¶anyterÄuletek sze- rint bontott rangsorok is mind tov¶abb ¯nom¶³tj¶ak az Äosszehasonl¶³t¶ast. De egyik sem oldja fel azt a probl¶emakÄort, hogy ha tÄobb mutat¶osz¶amot veszÄunk
¯gyelembe, azok egyszer}u vagy s¶ulyozott Äosszead¶asa elfedheti a v¶altoz¶ok egym¶as kÄozÄotti kapcsolat¶at, azok egym¶asra gyakorolt hat¶as¶at.
Cs¶oka Imola ¶es szerz}ot¶arsai tartalmas, sok r¶eszletet bemutat¶o 2019-es cikkÄukben tÄobbf¶ele mutat¶okÄort vizsg¶altak, ¶es a line¶aris, valamint a hatv¶a- nyozott s¶ulyoz¶asnak a rangsorban elfoglalt helyre gyakorolt hat¶as¶at mutatt¶ak be. A magyar rangsorokhoz haszn¶alt mutat¶ok mell¶e az MTMT-b}ol sz¶armaz¶o { Äot¶eves id}oszakot ¶atfog¶o { tudom¶anyos publik¶aci¶os ¶es id¶ezetts¶egi adatokat is felhaszn¶altak. Ez a tanulm¶any a hazai rangsorokat ¶ert¶ekes inform¶aci¶oval b}o- v¶³t}o munka annak ellen¶ere, hogy Csaba-Szentes-Zalai (2014) az MTA rendes tagjai ¶³r¶asukban az MTMT-t haszn¶al¶o tudom¶anym¶er¶es egyoldal¶u ¶es leegysze- r}us¶³t}o jelleg¶ere h¶³vt¶ak fel a ¯gyelmet.
Term¶eszetesen mindenki ÄorÄommel ¶es kevesebb szakmai k¶etked¶essel fogad- ja azokat a rangsorokat, amelyeken az ¶altala k¶epviselt int¶ezm¶eny a rangsor elej¶en tal¶alhat¶o. P¶eldak¶ent eml¶³tem az Eduline ¶es a HVG Diploma 2020-as kiadv¶any¶at, valamint Cs¶oka ¶es szerz}ot¶arsai (2019) cikk¶et, ahol a gazdas¶agi k¶epz¶eseket ind¶³t¶o int¶ezm¶enyek list¶aj¶aban m¶ar tÄobb ¶eve a BCE KÄozgazdas¶ag- tudom¶anyi Kara vezeti az oktat¶oi kiv¶al¶os¶agi9rangsort. Itt is l¶athat¶o, hogy a hallgat¶oi kiv¶al¶os¶ag ¶es az oktat¶oi kiv¶al¶os¶agi rangsor szerepl}oi elt¶er}o egyetemi karok(2. t¶abl¶azat).
Hallgat¶oi kiv¶al¶os¶ag alapj¶an Oktat¶oi kiv¶al¶os¶ag alapj¶an
1. BCE-GTK 1. BCE-KTK
2. ELTE-GTI 2. PTE-KTK
3. DE-GTK 2. SZE-GK
4. BGE-KKK 4. DE-GTK
5. SZTE-GTK 5. SZIE-GTK
2. t¶abl¶azat.Gazdas¶agi k¶epz¶esek kiv¶al¶os¶agi rangsora 2019-ben.
Forr¶as: https://eduline.hu
8https:// www.felvi.hu/pub bin/dload/felsooktatasimuhely/FeMu/2009 04/oldal7 12 hrubos.pdf
9https://eduline.hu/felsooktatas/20191122 legjobb gazdasagi egyetemek hvg diploma rangsor
Ha a magyar egyetemekre Äosszes¶³tve { tudom¶anyterÄuletekre nem bontva { n¶ezzÄuk a Budapesti Corvinus Egyetemet, akkor a 8. helyen10¶all ¶ugy, hogy hallgat¶oi kiv¶al¶os¶agban 2. ¶es oktat¶oiban a 15. helyre kerÄult. A hallgat¶oi ¶es az oktat¶oi alrangsorb¶ol Äossze¶all¶o eredm¶enyek meger}os¶³tik azt, hogy az egyes szempontok szerinti kiv¶al¶os¶agot elfedi az Äosszegz¶es ¶es a s¶ulyozott ¶atlagol¶as.
Ford¶³tott helyzetre is van p¶elda: az ELTE BTK els}o helyre kerÄult a HVG 2019-es rangsor¶aban11annak ellen¶ere, hogy egyik alrangsorban sem volt els}o.
M¶asik p¶eldak¶ent az egyes szakokra bontott rangsorok kÄozÄul az aktu¶arius k¶epz¶est12is ¶erint}ot eml¶³thetjÄuk. ¶Evr}ol ¶evre ¯gyelemmel k¶³s¶erjÄuk az Eduniver- sal Best Masters Ranking13-et, ami transzparensen, a m¶odszert is bemutatva vizsg¶alja a vil¶ag 154 orsz¶ag¶anak 1000 legjobb egyetem¶et, ¶es a biztos¶³t¶asi ¶es aktu¶arius k¶epz¶esekr}ol is kÄozÄol { int¶ezm¶enyi, hallgat¶oi ¶es munk¶altat¶oi v¶elem¶e- nyeken alapul¶o { rangsorokat14. 2019-ben a vil¶agon a 31. helyen voltunk, az eur¶opai egyetemek kÄozÄott pedig a 20. helyen v¶egeztÄunk. A t¶ers¶egben a m¶asodik helyen vagyunk, csak a Ljubljanai Egyetem KÄozgazdas¶agtudom¶anyi Kar¶anak aktu¶arius k¶epz¶ese v¶egzett el}ottÄunk. Szakunk orsz¶agosan egyetlen,
¶es az ELTE TTK-val kÄozÄosen ind¶³tjuk. A Biztos¶³t¶asi ¶es p¶enzÄugyi matematika mesterszakon v¶egzett hallgat¶oink szerint a k¶et egyetem legjobb matematiku- sai ¶es a legjobb kÄozgazd¶aszok oktatj¶ak }oket, teh¶at a szak nem is lehet m¶as, mint kiv¶al¶o. M¶egis tal¶an a kis m¶erete (¶evente alig 30 hallgat¶o) miatt kicsi a s¶ulya, nem tudja ¶erdemben emelni sem a Budapesti Corvinus Egyetem, sem az ELTE hely¶et a vil¶agranglist¶an. Ez a probl¶emakÄor sem ismeretlen a rangsorol¶assal foglalkoz¶o kutat¶ok sz¶am¶ara, hiszen ¶eppen a m¶eret- ¶es Äossze- t¶etelhat¶as kisz}ur¶es¶enek lehets¶eges eszkÄozeit vizsg¶alja Csat¶o (2016) cikke is.
Olcay-Bulu (2017) tanulm¶anya is kiemeli, hogy az egyetemek eg¶esze m¶ask¶ent
¶ert¶ekelhet}o, mint ha az egyes tudom¶anyterÄuletekre bontva v¶egezzÄuk a rang- sorol¶ast.
TÄ obbv¶ altoz¶ os adatok ¶ es m¶ odszerek haszn¶ alata a rangsork¶ esz¶³t¶ esben
Nem k¶ets¶eges, hogy a tÄobb adat egyidej}u ¯gyelembe v¶etele biztosan meg- b¶³zhat¶obb eredm¶enyt adna. Ugyanakkor a sok adat begy}ujt¶ese egy kÄozÄos (eur¶opai vagy vil¶ag-) alapba, ¶es az adatok egyidej}u rendelkez¶esre ¶all¶asa m¶eg most a big data id}oszakban is k¶ets¶eges. A m¶ar most is ismert, kiemelked}onek
¶ert¶ekelt egyetemek kev¶esb¶e ¶erdekeltek egy ilyen adatb¶azis l¶etrehoz¶as¶aban. Az adatok kÄozÄos gy}ujt¶ese az adatmin}os¶eg ellen}orz¶es¶et is ig¶enyli, ¶es a ¯gyelembe vett mutat¶ok kÄor¶et hosszabb t¶avon egys¶egesen kell tartani, hogy csak n¶eh¶any gondot eml¶³tsek, amik ¶epp a nagy adatb¶azisok rendelkez¶esre ¶all¶asa kapcs¶an
10https://eduline.hu/felsooktatas/20191120 HVG diplom a rangsor 2020 11Eltanul¶¶ ok c. ¶³r¶as a HVG 2019. november 21-i sz¶am¶aban.
12Eppen a Szigma 1996. ¶¶ evi 4. sz¶ama kÄozÄolt az Oktat¶as rovatban cikket err}ol. Kov¶acs Erzs¶ebet: ¶Ujj¶a¶eled}o hivat¶as ¶es k¶epz¶es: az aktu¶arius (221-226 oldal)
13https://www.best-masters.com/methodology.html
14https://www.best-masters.com/ranking-master-insurance-risk-actuarial-sciences.html
merÄultek fel. A kÄulÄonbÄoz}o V-k (Velocity, Volume, Value, Variety ¶es Veracity { a legismertebb Äot) bemutat¶asa a t¶em¶ank szempontj¶ab¶ol messzire vezet, ez¶ert itt ezt a t¶emakÄort csak z¶ar¶ojelben jelzem.
Ha tov¶abbgondoljuk ezt az adatgy}ujt¶esi c¶elt, akkor kijelenthetjÄuk, hogy ahol adat van, ott adatelemz¶esi ig¶eny is felmerÄul. Neh¶ez azonban egyÄutt ke- zelni a m¶ert, meg¯gyelt adatokat ¶es a kÄulÄonbÄoz}o ¶erintett szerepl}ok v¶elem¶eny¶et m¶eg akkor is, ha egys¶eges k¶erd}o¶³ves felv¶etellel k¶eszÄult az adatgy}ujt¶es. M¶od- szertani szempontb¶ol felvet}odÄott m¶ar az is, hogy a rangsorol¶as mellett/helyett oszt¶alyoz¶ast lehet k¶esz¶³teni, amit egyesek mapping n¶evvel illetnek, Äosszemosva ezzel a k¶et m¶odszer kÄozÄotti statisztikai kÄulÄonbs¶eget.
A teljes vil¶agrangsor helyett az Äosszehasonl¶³that¶o int¶ezm¶enyek csoportok- ba sorol¶asa, a ,,lig¶ak" kialak¶³t¶asa lehet indokolt, ahogy ezt Koszty¶an ¶es szerz}o- t¶arsai (2019) kifejtik. A feladat szerintÄuk is kett}os: ,,egyszerre kell az egyete- meket/orsz¶agokat ¶es azokat az indik¶atorokat kiv¶alasztani, amelyek alapj¶an az int¶ezm¶enyek vagy az orsz¶agok fels}ooktat¶asi rendszere Äosszehasonl¶³that¶o"
¶³rj¶ak cikkÄuk bevezet}oj¶eben a 905. oldalon.
Kritikai ¶erveik kÄozÄul statisztikai ¶ertelemben kiemelten egyet¶ertek azzal a meg¶all¶³t¶asukkal, hogy a rangsorokhoz felhaszn¶alt mutat¶ok, ¶es ezekhez Äon- k¶enyesen rendelt s¶ulyok vagy az aggreg¶al¶as m¶odos¶³t¶asa r¶ev¶en teljesen elt¶er}o rangsorokat kapunk. Javaslatuk szerint igazs¶agosabb Äosszehasonl¶³t¶as k¶esz¶³t- het}o, ha m¶eret¶et ¶es ¯nansz¶³roz¶as¶at tekintve nem nagyon elt¶er}o int¶ezm¶enyeket hasonl¶³tunk Äossze. Parci¶alis vagy r¶eszleges rangsor mellett ¶ervelnek, ¶es a hagyom¶anyos klaszterelemz¶es helyett biklaszterez¶est mint m¶odszert javasol- nak, amely egyszerre k¶epes a v¶altoz¶ok kiv¶alaszt¶as¶ara, valamint a hasonl¶o egyetemek csoportj¶anak kialak¶³t¶as¶ara, ¶es az ¶³gy kialak¶³tott csoportot lig¶anak nevezik. H¶arom lig¶at azonos¶³tottak, ¶es ezek ¶altaluk haszn¶alt elnevez¶ese: elit (A) liga, kÄoz¶epmez}ony (B) ¶es lemarad¶ok (C). A szerz}ok kiemelik, hogy a bi- klaszterez¶es r¶ev¶en kapott lig¶ak v¶altoz¶oi ¶es az orsz¶agok ¶atfedhetik egym¶ast, erre p¶elda Magyarorsz¶ag, amely a B ¶es C lig¶aban is el}ofordul. Mivel a szer- z}ok f¶okusza az orsz¶agok kÄozÄotti hasonl¶os¶agra ir¶anyul, csak a lig¶akon belÄul rangsorolnak, ¶es nem k¶eszÄul rangsor a fels}ooktat¶asi int¶ezm¶enyekre. Ez ter- m¶eszetesen egyenes kÄovetkezm¶enye a m¶odszer kiv¶alaszt¶as¶anak, hiszen a klasz- terez¶essel kapott csoportok ¶altal¶aban nem rangsorolhat¶oak15.
A fels}ooktat¶asi rangsor ¶es a sokdimenzi¶os megkÄozel¶³t¶es fontoss¶ag¶at mu- tatja az is, hogy egy nemzetkÄozi szerz}oi kollekt¶³va k¶et ¶eves kutat¶omunk¶a- j¶anak16 eredm¶eny¶et adta kÄozre a Springer kiad¶o 2012-ben. A kÄonyv c¶³me Multidimensional Ranking, The Design and Development of U-Multirank. A 24 szerz}o c¶elja nagy ¶³v}u: ¶uj ¶es mindenki ¶altal elfogadhat¶o rangsorol¶o eszkÄozt kifejleszteni, amit U-Multirank n¶even publik¶altak. Ennek a l¶enyege, hogy a rangsorol¶o elj¶ar¶asuk sokdimenzi¶os (a v¶altoz¶ok kÄozÄul 27 v¶altoz¶o oktat¶ast, 14 kutat¶ast, 15 tud¶as¶atad¶ast, 13 nemzetkÄozi orient¶aci¶ot, 10 region¶alis hat¶ast
15R¶eszletesebb indokl¶as tal¶alhat¶o err}ol Kov¶acs Erzs¶ebet (2014): TÄobbv¶altoz¶os adatelem- z¶es c. e-kÄonyv¶eben.
16A kÄotet elk¶esz¶³t¶es¶ehez lendÄuletet adott az EU 2009-ben kÄozz¶e tett felh¶³v¶asa, hogy t¶amogat¶ast ny¶ujt a glob¶alis ¶es tÄobbdimenzi¶os egyetemi rangsorol¶asr¶ol k¶esz¶³tend}o meg- val¶os¶³that¶os¶agi tanulm¶anyhoz.
m¶er), kiterjed kÄulÄonbÄoz}o fels}ooktat¶asi int¶ezm¶enyekre, ahol oktat¶o, kutat¶o ¶es innov¶aci¶os munka folyik) ¶es felhaszn¶al¶o-vez¶erelt17.
A tÄobbdimenzi¶os megkÄozel¶³t¶es lehet}os¶eget teremt arra, hogy Äosszehason- l¶³ts¶ak ¶es oszt¶alyozz¶ak a hasonl¶o pro¯l¶u int¶ezm¶enyeket, amelyek sz¶amos tu- lajdons¶agban kÄozel azonosak. Ezeket a csoportokat rangsorol¶assal rendezni kev¶esb¶e hasznos. A szerz}ok leszÄogeznek h¶arom gondolatot, amivel munk¶ajuk eredm¶eny¶et Äosszegzik:
² nincs objekt¶³v rangsor,
² a j¶o teljes¶³tm¶eny el¶er¶ese nagym¶ert¶ekben fÄugg a rangsort k¶esz¶³t}o ¶altal megfogalmazott szubjekt¶³v felt¶etelez¶esekt}ol,
² ezek a helyez¶est befoly¶asol¶o felt¶etelez¶esek nem mindig transzparensek.
Ezek alapj¶an ¶ervelnek a felhaszn¶al¶o-vez¶erelt megkÄozel¶³t¶es mellett, amit ak¶ar egy hivatal vagy ¶allami hat¶os¶ag is elk¶esz¶³thet. M¶odszerÄuket a teljes fels}ooktat¶asi int¶ezm¶enykÄorb}ol v¶alasztott, nemzetkÄozileg akt¶³v, magas repu- t¶aci¶oj¶u, kutat¶as-intenz¶³v egyetemekb}ol ¶all¶o 150 elem}u mint¶an mutatt¶ak be.
Ez a lehat¶arol¶as, azaz n¶eh¶any szempont kiemel¶ese r¶ev¶en az egyetemek egy csoportj¶anak vizsg¶alata hasznos lehet, ¶es ez statisztikai ¶ertelemben a homoge- nit¶as { heterogenit¶as k¶erd¶eskÄorrel mutat kapcsolatot. Egy-egy elemz¶est c¶el- szer}u homog¶en mint¶an elv¶egezni, ha a kÄozÄos jellemz}oket akarjuk megtal¶alni, felt¶erk¶epezni. De itt is tekintettel kell lenni arra, hogy amikor egy-egy in- t¶ezm¶enyre adunk meg ¶ert¶ekeket, akkor ez elfedi azokat a bels}o kÄulÄonbs¶ege- ket, amik a karok, tansz¶ekek vagy kutat¶ocsoportok teljes¶³tm¶eny¶eben megmu- tatkoznak. Ha viszont oszt¶alyozni szeretn¶enk a fels}ooktat¶asi int¶ezm¶enyeket, akkor az adatokban rejl}o heterogenit¶as jelenti az oszt¶alyoz¶as alapj¶at. Ezzel persze nem vonjuk k¶ets¶egbe azt, hogy egy szakmailag j¶ol elv¶egzett, min}os¶egen alapul¶o oszt¶alyoz¶as ne lehetne szoros kapcsolatban a rangsorol¶assal, ¶es ne adhatna megb¶³zhat¶o inform¶aci¶ot az int¶ezm¶eny teljes¶³tm¶eny¶er}ol.
Telcs { Koszty¶an { TÄorÄok (2013) cikkÄukben kijelentik, hogy a fels}ooktat¶asi int¶ezm¶enyek kÄor¶eben v¶egzett rangsorol¶asokra is igaz, hogy a m¶er¶es vissza- hat mag¶ara a m¶er¶es t¶argy¶ara is. Az eddigi tapasztalatokat ¶attekintve nem egy ¶ujabb rangsor k¶esz¶³t¶es¶et javasolt¶ak, hanem gr¶afreprezent¶aci¶on alapul¶o preferencia-sorrend fel¶all¶³t¶as¶ara tettek k¶³s¶erletet. Kiz¶ar¶olag az int¶ezm¶enyekbe felv¶etelire jelentkez}o di¶akok sz¶and¶ekaira alapozt¶ak a kialak¶³tand¶o rangsort, amelyet 10 { hi¶anytalanul rendelkez¶esre ¶all¶o { adatb¶ol sz¶amoltak ki.
Csat¶o L¶aszl¶o (2013) a Telcs (2013) cikkre re°ekt¶alva kiemeli, hogy a felv¶e- teli folyamat r¶esztvev}oi kÄozÄul nem lesz mindenki egyetemi hallgat¶o, ez¶ert az }o adataikb¶ol csak a felv¶eteliz}ok preferenci¶ait lehet meghat¶arozni, ¶es megol- d¶ast javasol a felv¶eteliz}ok ¶altal kihagyott szakok p¶aros Äosszehasonl¶³t¶as¶ara is.
Axiomatikus t¶argyal¶asm¶odot javasol, ¶es sz¶amos alkalmazhat¶o m¶odszert be- mutatva pontoz¶asi elj¶ar¶ast aj¶anl a fels}ooktat¶asi rangsorok fel¶all¶³t¶as¶ara. Csat¶o
17A ,,user-driven" sz¶ohaszn¶alat illeszkedik abba a sorba, amit az ¶ujabb statisztikai kÄony- vek data-driven ¶es model-driven megkÄozel¶³t¶esnek neveznek.
felvet¶eseire v¶alaszolva Telcs ¶es szerz}ot¶arsai elismerik, hogy a preferencia-sor- rend nem az int¶ezm¶enyek sz¶³nvonal¶at tÄukrÄoz}o rangsor, hanem csak a felv¶ete- lire jelentkez}o Äosszes szempontj¶at egyetlen ordin¶alis sk¶al¶ara tÄomÄor¶³t}o ¶ert¶ek.
A t¶em¶ahoz kapcsol¶od¶o tanulm¶anyokat olvasva azt ¶erz¶ekeltem, hogy min¶el tÄobb adathoz jutnak a kutat¶ok, ann¶al nyilv¶anval¶obb¶a v¶alik sz¶amukra, hogy a sok adat gondot okoz, f¶elreviheti az elemz¶esi c¶elt, ez¶ert homog¶enebb cso- portokat, lig¶akat kell k¶epezni, ¶es/vagy a v¶altoz¶ok kÄozÄul kell v¶alasztani, el}ore lehat¶arolni a rangsorol¶asba bevont indik¶atorok kÄor¶et.
M¶as szerz}ok eset¶eben az adatok beszerz¶ese okoz neh¶ezs¶eget. A nyilv¶anosan el¶erhet}o adatok gy}ujt¶ese mellett k¶erd}o¶³ves adatgy}ujt¶est is javasl¶o kutat¶ok is elismerik, hogy az int¶ezm¶enyek, karok, hallgat¶ok ÄonkitÄolt¶essel nyert v¶alaszai- nak feldolgoz¶asa ¶arnyalja a fels}ooktat¶asi int¶ezm¶enyek teljes¶³tm¶eny¶er}ol alko- tott k¶epet, ugyanakkor tov¶abbi kih¶³v¶ast ¶es kock¶azatot is jelent az ¶³gy kib}ov¶³- tett adatkÄor elemz¶ese. Az U-Multirank (2012) szerz}oi arra h¶³vt¶ak fel a ¯gyel- met, hogy egy sokdimenzi¶os v¶altoz¶okÄorb}ol k¶eszÄul}o rangsorol¶as kev¶esb¶e vonz¶o, mint az egydimenzi¶os eredm¶eny, legyen az lig¶aba sorol¶as vagy egy kompozit indik¶ator. Ezek mellett sz¶ol a kÄonny}u ¶erthet}os¶eg ¶es kommunik¶alhat¶os¶ag, m¶³g egy tÄobbv¶altoz¶os statisztikai elemz¶es eredm¶eny¶enek ¶ertelmez¶es¶et el kell magyar¶azni szinte minden felhaszn¶al¶o csoport (di¶akok, szÄul}ok, munk¶altat¶ok, dÄont¶eshoz¶ok, int¶ezm¶enyvezet}ok) sz¶am¶ara.
Miben seg¶³tenek a tÄ obbv¶ altoz¶ os statisztikai m¶ odszerek?
Neh¶ez dilemma el}ott ¶allunk most, ha ÄosszegezzÄuk az eddigi ¶attekint¶est. A fel- s}ooktat¶ast ismer}o szak¶ert}ok sem tudnak megegyezni, hogy rangsor vagy osz- t¶alyoz¶as k¶eszÄuljÄon, hogy kev¶es vagy sok m¶er}osz¶am kerÄuljÄon be az elemz¶esbe.
Ugyanakkor nem ismeretlen ez a helyzet a statisztika alkalmaz¶oi sz¶am¶ara, hiszen a fels}ooktat¶asi teljes¶³tm¶eny m¶er¶ese is a kÄozvetlenÄul nem m¶erhet}o, azaz l¶atens, szintetikus v¶altoz¶ok k¶epz¶es¶evel ¶es alkalmaz¶as¶aval rokon terÄulet. Ez¶ert
¶erdemes lehet a tÄobb { egym¶assal biztosan sztochasztikus kapcsolatban ¶all¶o { v¶altoz¶o inform¶aci¶otartalm¶at s}ur¶³teni, erre faktorelemz¶est vagy sokdimenzi¶os sk¶al¶az¶ast alkalmazva { egyes v¶altoz¶ok kihagy¶asa n¶elkÄul { a lehet}o legkisebb di- menzi¶oban elrendezni a fels}ooktat¶asi int¶ezm¶enyeket. E m¶odszerek eredm¶enye alapj¶an dÄonthetÄunk arr¶ol is, hogy lehet-e rangsorolni, azaz az egydimenzi¶os megold¶as elfogadhat¶o-e, ha pedig nemleges a v¶alasz, akkor l¶atjuk, hogy mely mutat¶osz¶amok ,,¶arnyalj¶ak" a k¶epet, azaz adnak olyan tÄobbletinform¶aci¶ot, ami nem simul bele az els}o tengelybe. Ezek a m¶odszerek a felt¶ar¶o, vagy m¶as n¶even adatvez¶erelt m¶odszerek kÄoz¶e tartoznak, mert nem r¶eszÄuk a hipot¶ezisvizsg¶alat, nincs el}ore fel¶all¶³tott modell, amit alkalmaz¶asuk r¶ev¶en tesztelni akarunk, ez¶ert alkalmasak az inform¶aci¶o kinyer¶es¶ere, az adatok (ak¶ar v¶altoz¶ok, ak¶ar meg¯- gyel¶esek) szerkezet¶enek felt¶ar¶as¶ara.
A sz¶am¶³t¶asi eredm¶enyek ismertet¶es el}ott rÄoviden bemutatom az adatokat.
A cikk kezdet¶en is eml¶³tett Quacquarelli Symonds QS World Universtiy Rank-
ings { EECA18Region { 2020 volt a legfrissebb el¶erhet}o fels}ooktat¶asi rangsor a cikk ¶³r¶as¶anak idej¶en, melyben 24 orsz¶ag 350 egyeteme szerepel. Az itt tal¶alhat¶o adatok egyszerre teljes¶³tenek k¶et kÄovetelm¶enyt:
² rangsort ad, de megismerhet}o bel}ole az a 10 mutat¶osz¶am, valamint az alkalmazott s¶ulyoz¶as is, amib}ol az Äosszegzett rangsor k¶eszÄult,
² egyfajta homogenit¶ast biztos¶³t, mert a legjobb feltÄorekv}o eur¶opai ¶es kÄoz¶ep-¶azsiai egyetemek adatait veszi alapul.
A 10 mutat¶osz¶amot ¶es azok ¶atlag¶at, sz¶or¶as¶at, valamint az Äosszeg k¶epz¶ese- kor haszn¶alt s¶ulyokat a 3. t¶abl¶azat tartalmazza. Az els}o 100 egyetem szere- pel az elemz¶esben, ¶es az egyes mutat¶ok maxim¶alis ¶ert¶eke 100 pont. A mu- tat¶osz¶amok elnevez¶es¶et a kÄonnyebb azonos¶³that¶os¶ag miatt nem ford¶³tottam le magyarra.
Mutat¶o Atlag¶ Sz¶or¶as S¶uly %
Academic reputation 60,714 25,1631 30
Employer reputation 58,493 28,4670 20
Faculty student 43,990 34,9385 10
Papers per faculty 67,889 29,3221 10
Citations per paper 61,825 27,9726 5
International faculty 39,047 31,6913 2,5
Sta® with PhD 62,764 33,3905 5
International students 42,761 32,7305 2,5 International research network 76,927 23,0484 10
Web Impact 74,353 23,2135 5
3. t¶abl¶azat. A rangsort alkot¶o t¶³z mutat¶osz¶am statisztikai jellemz}oi.
Forr¶as: saj¶at sz¶am¶³t¶as.
Mivel a mutat¶osz¶amok kÄozÄott tÄobb statisztikailag szigni¯k¶ans, de elt¶er}o el}ojel}u line¶aris korrel¶aci¶ot m¶ertÄunk, f}okomponens-elemz¶essel19 vizsg¶altuk a dimenzi¶ocsÄokkent¶es lehet}os¶eg¶et.
A f}okomponens-elemz¶es alkalmaz¶as¶aval k¶et c¶elt val¶os¶³thatunk meg egy id}oben:
² A v¶altoz¶o p¶arok kÄozÄott m¶ert line¶aris korrel¶aci¶on alapulva dimenzi¶o- csÄokkent¶est hajtunk v¶egre, ¶es egy¶uttal az egyn¶el nagyobb saj¶at¶ert¶ekek Äosszeg¶evel m¶erjÄuk az alacsonyabb dimenzi¶oban meg}orzÄott inform¶aci¶o mennyis¶eg¶et. ¶Igy kompromisszumos dÄont¶est tudunk hozni arr¶ol, hogy az egydimenzi¶os { azaz rangsort ad¶o { megold¶as elegend}o inform¶aci¶on alapul-e.
² A korrel¶aci¶os m¶atrix saj¶at¶ert¶ek-saj¶atvektor dekompoz¶³ci¶oj¶at elv¶egezve megkapjuk azokat az egyÄutthat¶okat, amelyeket felhaszn¶alva a v¶altoz¶ok s¶ulyoz¶as¶aval kisz¶am¶³that¶ok a faktor-koordin¶at¶ak. ¶Igy a v¶altoz¶ok ¯gye- lembev¶etel¶er}ol is k¶epet kapunk, ami elt¶er(het) a szak¶ert}oi alapon hozz¶a- rendelt s¶ulyokt¶ol.
18EECA= Emerging Europe and Central Asia
19A m¶odszerr}ol r¶eszletesen ¶³r Kov¶acs (2014) ¶es Husson-Le-Pages (2017)
Ugyanakkor a v¶altoz¶ok kÄozÄotti kÄolcsÄonÄos line¶aris kapcsolatok felt¶etelez¶ese nem minden esetben helyt¶all¶o, ez¶ert ezt feloldand¶o a f}okomponens-elemz¶es ut¶an a v¶altoz¶ok klaszterez¶es¶et ¶es a sokdimenzi¶os sk¶al¶az¶assal k¶eszÄult t¶erbeli vetÄuletet is bemutatjuk.
Az SPSS programcsomag alapelj¶ar¶asa alapj¶an n¶egy faktort indokolt el}o-
¶all¶³tani, mert a korrel¶aci¶os m¶atrix n¶egy saj¶at¶ert¶eke, azaz n¶egy faktor sz¶or¶asa nagyobb, mint egy, ahogy ez a4. t¶abl¶azatban l¶athat¶o.
Ugyanakkor l¶atnunk kell azt is, hogy m¶eg 4 dimenzi¶oban is csak az Äossz- inform¶aci¶o 76 sz¶azal¶ek¶at tudjuk meg}orizni, teh¶at rangsorol¶asra haszn¶alhat¶o f}otengely koordin¶at¶akat nem kapunk. Az els}o (28%-nyi inform¶aci¶ot tÄomÄor¶³t}o) faktor legink¶abb a kutat¶asi kiv¶al¶os¶agot ¶es a kÄuls}o l¶athat¶os¶agot m¶eri, mivel 4 v¶altoz¶oval van szoros pozit¶³v kapcsolatban: Papers per faculty, Citations per paper, International Research Network ¶es Web Impact. Ezek eredeti egyÄuttes s¶ulya 30%.
Kompo- Saj¶at¶ert¶ekek A komponensekben kinyert inform¶aci¶o nens Teljes Variancia % Kumul¶alt % Teljes Variancia % Kumul¶alt %
1 2,808 28,079 28,079 2,808 28,079 28,079
2 2,216 22,162 50,241 2,216 22,162 50,241
3 1,436 14,364 64,605 1,436 14,364 64,605
4 1,105 11,046 75,651 1,105 11,046 75,651
5 ,901 9,007 84,658
6 ,511 5,110 89,768
7 ,345 3,453 93,221
8 ,307 3,068 96,290
9 ,222 2,220 98,510
10 ,149 1,490 100,000
4. t¶abl¶azat.A korrel¶aci¶os m¶atrix saj¶at¶ert¶ekei ¶es a meg}orzÄott inform¶aci¶o. M¶odszer: F}okompo- nens-elemz¶es. Forr¶as:saj¶at sz¶am¶³t¶as.
1. ¶abra.A rangsorbeli Äosszpontsz¶am elt¶er¶ese a kutat¶asi kiv¶al¶os¶ag ¶es a l¶athat¶os¶ag faktor¶ert¶ekek- t}ol.Forr¶as:saj¶at sz¶am¶³t¶as.
Ha az els}o tengely koordin¶at¶ait az x tengely, a QS rangsort pedig azy tengely ment¶en ¶abr¶azoljuk, akkor az1. ¶abr¶an j¶ol l¶athat¶o az egyetemek sz¶o- r¶od¶asa, ¶es az, hogy gyeng¶en korrel¶al a k¶et ¶ert¶ek (r= 0;332). Az ¶atlag feletti kutat¶oi kiv¶al¶os¶ag egyÄutt j¶ar a magas Äosszpontsz¶ammal, de a j¶oval ¶atlag alatti kutat¶oi kiv¶al¶os¶aghoz is tartozhat magas { az els}o 17 egyetemre jellemz}o 80 kÄorÄuli { Äosszpontsz¶am egy kazak ¶es egy orosz egyetemn¶el. Az ¶abr¶an a rangsor 50. hely¶en lev}o Budapesti Corvinus Egyetem orsz¶agk¶odja is l¶athat¶o. ¶Atlag alatti helyÄunket a gyenge Web impact ¶ert¶ek okozza.
Az 1. ¶abra alapj¶an kijelenthetjÄuk, hogy az els}o faktorban az inform¶aci¶o- s}ur¶³t¶es nem volt el¶eg hat¶ekony, mert a leger}osebb faktor nem tudja repro- duk¶alni az Äosszpontsz¶am szerinti helyez¶eseket. A faktormodell meg¶³t¶el¶ese nem egy¶ertelm}u, mert a v¶altoz¶ok kÄozÄotti Äosszes¶³tett korrel¶aci¶ok erej¶et m¶er}o Kaiser-Meyer-Olkin 0,579-es ¶ert¶eke gyenge, ugyanakkor mind a t¶³z v¶altoz¶o inform¶aci¶otartalma j¶ol be¶epÄul a faktorokba, amit az5. t¶abl¶azatbana kommu- nalit¶asok20 j¶oval 0,7 feletti ¶ert¶ekei mutatnak.
Kommunalit¶as Kezdeti Kinyert
Academic reputation 1,000 ,896
Employer reputation 1,000 ,876
Faculty student 1,000 ,754
Papers per faculty 1,000 ,826
Citations per paper 1,000 ,817
International faculty 1,000 ,868
Sta® with PhD 1,000 ,936
International students 1,000 ,821 International research network 1,000 ,889
Web Impact 1,000 ,782
5. t¶abl¶azat.A v¶altoz¶okb¶ol meg}orzÄott inform¶aci¶o h¶anyada.
M¶odszer: F}okomponens-elemz¶es. Forr¶as: saj¶at sz¶am¶³t¶as.
Ha nem a rangsort al¶at¶amaszt¶o f}ofaktort keressÄuk, hanem a lehet}o legtÄobb inform¶aci¶ot alacsonyabb dimenzi¶oba lek¶epez}o kompromisszumos megold¶ast, akkor az ÄotÄodik faktort is ¶erdemes el}o¶all¶³tani, ¶³gy 85%-ra n}o a meg}orzÄott inform¶aci¶o, ami m¶ar j¶o modellt jelez. Ekkor azonban nem kapunk tiszta strukt¶ur¶at, hi¶aba v¶egezzÄuk el az ¶ertelmez¶est seg¶³t}o rot¶al¶ast.21 A6. t¶abl¶azat- b¶ol22kiolvashat¶o, hogy a cikkek, tanulm¶anyok sz¶ama ¶es az id¶ez¶esek 3 faktor- ral is kÄozepesen er}osen korrel¶alnak, teh¶at neh¶ez a faktorokat 1-2 v¶altoz¶oval azonos¶³tani vagy elnevezni.
T¶em¶ank szempontj¶ab¶ol kiemelten fontos a 22%-os inform¶aci¶ot k¶epvisel}o 2. faktor, amellyel nagyon er}osen korrel¶al az akad¶emiai reput¶aci¶o ¶es foglalkoz- tat¶oi reput¶aci¶o. Ezek a mutat¶ok az akad¶emiai szf¶er¶aban dolgoz¶ok ¶es a munk¶al- tat¶ok tÄobb t¶³zezer f}os glob¶alis megk¶erdez¶es¶en alapulnak. A k¶et v¶alasz kÄozÄott a Pearson-f¶ele korrel¶aci¶o 0,713, ami a legmagasabb korrel¶aci¶os egyÄutthat¶o a 10£10-es korrel¶aci¶os m¶atrixban. Ez a k¶et v¶altoz¶o eredetileg 30 ¶es 20% s¶ulyt
20A kommunalit¶asokat tÄobbszÄorÄos determin¶aci¶os egyÄutthat¶ok¶ent ¶ertelmezhetjÄuk, maxi- m¶alis ¶ert¶ekÄuk 1. R¶eszletesebben t¶argyalja Kov¶acs (2014).
21Az elemz¶esben haszn¶alt rot¶aci¶os m¶odszer: varimax elj¶ar¶as Kaiser normaliz¶aci¶oval. A rot¶al¶as 17 iter¶aci¶os l¶ep¶esben konverg¶alt.
22A 0.3-n¶al kisebb korrel¶aci¶ok elhagy¶asa seg¶³ti a faktorok tartalm¶anak ¶attekint¶es¶et.
kapott, teh¶at az Äosszes¶³tett mutat¶oban a s¶ulyuk ¶es a korrel¶alts¶aguk miatt is nagyon er}os a befoly¶asuk! A reput¶aci¶ot tekintve nem tal¶alunk ¶atfed¶est sem a kutat¶asi kiv¶al¶os¶agot m¶er}o 1. faktorral, sem a hallgat¶oi mutat¶okb¶ol k¶epzett 3. faktorral. A negyedik faktorban a nemzetkÄozi oktat¶ok jelenl¶ete emelkedik ki, ¶es itt is ¶erezhet}o a nemzetkÄozi h¶al¶ozati tags¶aghoz hasonl¶o kedvez}o hat¶as:
velÄuk egyÄutt emelkedik a cikkek ¶es id¶ez¶esek sz¶ama. Az ÄotÄodik faktor a PhD fokozattal rendelkez}oket m¶eri, ¶es ha tÄobben vannak, akkor jellemz}oen tÄobb ott a publik¶aci¶o is.
Komponens
1 2 3 4 5
Academic reputation ,311 ,886
Employer reputation ,908
Faculty student ,813
Papers per faculty ,545 ,546 ,398
Citations per paper ,664 ¡;448 ,383
International faculty ,317 ,846
Sta® with PhD ,966
International students ,842
International research network ,929
Web Impact ,776 ,419
6. t¶abl¶azat. A 10 v¶altoz¶o ¶es az Äot faktor korrel¶aci¶os kapcsolata. M¶odszer: F}o- komponens elemz¶es.Forr¶as: saj¶at sz¶am¶³t¶as.
A 6. t¶abl¶azatban egyetlen negat¶³v el}ojelet l¶atunk, ami azt jelzi, hogy ahol sok hazai ¶es kÄulfÄoldi hallgat¶o van, ott ar¶anyaiban kevesebb az id¶ez¶esek sz¶ama.
Az indul¶o adatm¶atrix ezt el}ore jelezte, mert a leger}osebb negat¶³v korrel¶aci¶o a Faculty student ¶es a Citation per paper sz¶amok kÄozÄotti: -0,410 ¶ert¶ek volt.
Itt ism¶et id¶ezem Cs¶oka ¶es szerz}ot¶arsai (2019) meg¶allap¶³t¶asait, mert a negat¶³v el}ojel arra utal, hogy az oktat¶as vagy kutat¶as egym¶as k¶ar¶ara is el}ot¶erbe ke- rÄulhet. A rangsorban 5%-os s¶ulyt k¶epvisel}o id¶ez¶eseket kÄulÄon is megn¶ezve
¶erdekes ellentmond¶asokat l¶atunk: a rangsor 18. hely¶en lev}o Kazah Nemzeti Egyetem ¶eri el az egyik legalacsonyabb (9,2) id¶ez¶esi mutat¶ot, m¶³g a rangsor 96. hely¶en a Ciprusi Egyetem¶e a maxim¶alis (100) ¶ert¶ek.
A v¶altoz¶ok sz¶etoszt¶asa, csoportos¶³t¶asa a kÄozÄottÄuk lev}o korrel¶aci¶on alapul¶o klaszterez¶essel is vizsg¶alhat¶o. Itt is k¶et f}obb csoportot, ¶es tov¶abbi alcsopor- tokat kapunk a mutat¶osz¶amokb¶ol a 2. ¶abr¶an szerepl}o dendrogramon, ahol felismerhet}o az 5 faktor szerinti v¶altoz¶o besorol¶as. A klaszterez¶es egym¶ast ¶at nem fed}o v¶altoz¶ocsoportokat k¶epez, ez¶ert itt nem l¶athat¶o, hogy a publik¶aci¶ok
¶es id¶ez¶esek sz¶ama mind a nemzetkÄozi oktat¶ok, mind a nemzetkÄozi h¶al¶ozatok hat¶as¶ara emelkedik.
Ha nem t¶etelezÄunk fel a v¶altoz¶ok kÄozÄott line¶aris kapcsolatot ¶es a korrel¶aci¶o helyett az euklideszi t¶avols¶ag n¶egyzet¶evel m¶erÄunk, tov¶abb¶a a j¶o tagol¶ast ered- m¶enyez}o Ward-elj¶ar¶as szerint klaszterezÄunk, akkor is k¶et f}obb v¶altoz¶o-klasz- tert l¶atunk(3. ¶abra). Itt mark¶ansabban elkÄulÄonÄulnek a hallgat¶okkal-oktat¶ok- kal kapcsolatos v¶altoz¶ok, amelyek az oktat¶asi teljes¶³tm¶enyt m¶erik, azokt¶ol, amik a reput¶aci¶ot ¶es a kutat¶asi teljes¶³tm¶enyt ragadj¶ak meg.
2. ¶abra.A legt¶avolabbi szomsz¶ed elvet kÄovet}o v¶altoz¶oklaszterek tags¶aga. Forr¶as:saj¶at sz¶am¶³t¶as.
3. ¶abra.A Ward-elj¶ar¶ast kÄovet}o v¶altoz¶oklaszterek tags¶aga. Forr¶as: saj¶at sz¶am¶³t¶as.
A f}okomponens-elemz¶essel a saj¶at¶ert¶ek-saj¶atvektor felbont¶as miatt mate- matikai ¶ertelemben rokon elj¶ar¶as a sokdimenzi¶os sk¶al¶az¶as (MDS), ami a t¶er- beli lek¶epez¶esen t¶ul az adott dimenzi¶oban az illeszked¶esi hib¶at is m¶eri. Mivel nem t¶etelezzÄuk fel, hogy felt¶etlenÄul line¶aris kapcsolatban ¶allnak a fels}ooktat¶a- si mutat¶osz¶amok, ordin¶alis modellt illesztÄunk a 10 v¶altoz¶ora. Ha egydimen- zi¶os megold¶ast keresÄunk, hogy a rangsort reproduk¶alni tudjuk, akkor a hiba
m¶ert¶eke23 S = 22;5%. Ez azt jelzi, hogy nem haszn¶alhat¶o az egydimenzi¶os modell, a v¶altoz¶ok nem s}ur¶³thet}ok Äossze elfogadhat¶o m¶ert¶ek}u hib¶aval egyetlen dimenzi¶oba, azaz a rangsorbeli helyet megad¶o pontsz¶amba. K¶et dimenzi¶oban azS= 10;1% ¶ert¶ek}u, a modell ¶epp a j¶o ¶es kÄozepes illeszked¶es hat¶ar¶an van. A 4. ¶abr¶an szembet}un}oen nem simul be a PhD fokozattal rendelkez}oket m¶er}o v¶altoz¶o a tÄobbi v¶altoz¶o kÄoz¶e, ahogy ezt a 2. ¶es 3. ¶abr¶akon, a dendrogramokon l¶athat¶o hossz¶u ÄosszekÄot}o vonalak is jelezt¶ek. B¶ar ezt a mutat¶ot a QS ismerte- t}o az oktat¶asi min}os¶eg proxyj¶anak24tekinti, az 5%-os s¶ulya nem befoly¶asolja
¶erdemben a v¶egs}o rangsort.
4. ¶abra.A 10 v¶altoz¶o k¶etdimenzi¶os lek¶epez¶ese ordin¶alis modell alkalmaz¶as¶aval.Forr¶as:saj¶at sz¶am¶³t¶as.
Koszt¶any ¶es szerz}ot¶arsai (2019) nyom¶an az egyetemeket 3 klaszterbe so- rolva vizsg¶altam, ¶es arra kerestem a v¶alaszt, hogy a klaszterez¶essel k¶epzett csoportok kÄovetik-e a rangsorbeli helyez¶est. Megel}olegzem az eredm¶enyt, a v¶alasz ink¶abb nem.
Mind a t¶³z v¶altoz¶o statisztikai ¶ertelemben szigni¯k¶ans szerepet j¶atszik a klaszterek megkÄulÄonbÄoztet¶es¶eben, ez¶ert nem alkalmaztam a k¶etl¶ep¶eses klasz- terez¶est. 49-32-19 elemsz¶am¶u csoportok k¶epz}odtek, de ezek nem rangsorol- hat¶oak, nincs olyan csoport, amelynek tagjai minden szempontb¶ol jobbak lenn¶enek, mint a tÄobbi klaszterbe kerÄult egyetemek. A7. t¶abl¶azatbankiemel- ve l¶athat¶oak a legmagasabb el¶ert pontok.
23A sztenderdiz¶alt n¶egyzetes elt¶er¶es (STRESS) ¶ertelmez¶es¶er}ol b}ovebben ¶³r Kov¶acs (2014).
24Nincs inform¶aci¶om arr¶ol, hogy a t¶ers¶eget kor¶abban jellemz}o kandid¶atusi rendszert m¶as orsz¶agok is PhD ekvivalensk¶ent tekintik-e.
² Az els}o klaszterbe a kutat¶asi kiv¶al¶os¶ag { ¶es kev¶es hallgat¶o { alapj¶an kerÄult be a 49 egyetem (cikkek,id¶ezetts¶eg, PhD ¶es nemzetkÄozi kutat¶asi h¶al¶ozat tagjai).
² A m¶asodik klaszter a legtÄobb szempontb¶ol a legjobb 32 egyetem cso- portja, ahol sok apublik¶aci¶o¶es kiemelked}o areput¶aci¶o is.
² A harmadik klaszter 19 egyeteme sokhazai ¶es kÄulfÄoldi hallgat¶ot vonz, ¶es kis l¶etsz¶am¶u ,,oszt¶alyok" vannak, amit a Faculty student v¶altoz¶o m¶er.
Klaszter
1 2 3
Academic reputation 55,0 72,3 56,0 Employer reputation 48,2 72,9 60,6
Faculty student 19,0 63,2 76,0
Papers per faculty 77,1 80,2 23,4
Citations per paper 71,9 71,4 19,6 International faculty 23,4 62,7 39,6
Sta® with PhD 70,2 60,0 48,2
International students 22,1 72,4 46,3 International research network 83,5 84,1 47,9
Web Impact 75,9 84,0 54,2
7. t¶abl¶azat.A klaszterkÄoz¶eppontok ¶atlagos pontsz¶amai.
Forr¶as: saj¶at sz¶am¶³t¶as.
5. ¶abra.Az Äosszpontsz¶amok klaszterek szerinti megoszl¶asa.Forr¶as: saj¶at sz¶am¶³t¶as.
Ha a h¶arom klaszterbe sorolt egyetemek Äosszpontsz¶amait vizsg¶aljuk, akkor az5. ¶abr¶anl¶athat¶ov¶a v¶alik a legjobbak, azaz a 2. klaszter 76 pont kÄorÄuli me- di¶anja, m¶³g az els}o ¶es a harmadik klaszter kÄoz¶ep¶ert¶ekei alig t¶ernek el: 55 ¶es 53 a medi¶anjuk. Az els}o klaszter enyhe fÄol¶eny¶et jelzi az is, hogy az els}o ¶es a 3.
klaszter ¶atlagos jellemz}oi statisztikai ¶ertelemben nem t¶ernek el, az ¶atlagokra sz¶am¶³tott 95%-os kon¯dencia intervallumok ¶atfedik egym¶ast, 54-62 ¶es 47-60 kÄozÄott mozognak.
Ha a rangsorbeli helyez¶est ¶es a klasztertags¶agot vetjÄuk Äossze, akkor a 8. t¶abl¶azat mint keresztt¶abla mutatja az eredm¶enyek egyez¶es¶et ¶es elt¶er¶es¶et.
A k¶et besorol¶as kÄozÄotti asszoci¶aci¶os kapcsolat a Cramer-V mutat¶o szerint 0,373, azaz gyenge min}os¶³t¶es}u.
A rangsor ¶el¶en ¶all¶o els}o 33 egyetem 66%-a a ,,legjobb" klaszterbe kerÄult, de az elit tagjai kÄozÄott van 9 ink¶abb kutat¶o ¶es 3 ink¶abb oktat¶o egyetem is.
A rangsor utols¶o harmad¶aban is tal¶alunk k¶et egyetemet (Tallin ¶es Nova Go- rica egyetemei), amelyek statisztikai jellemz}oik alapj¶an kiemelked}oek, ez¶ert a v¶altoz¶okra s¶ulyoz¶ast nem alkalmazva a 2. klaszterbe kerÄultek.
Rangsz¶am Klaszter azonos¶³t¶o OsszesenÄ
(kateg¶oria) 1 2 3
Lemarad 21 2 11 34
KÄoz¶ep 19 9 5 33
Elit 9 21 3 33
OsszesenÄ 49 32 19 100
8. t¶abl¶azat. A rangsor ¶es a klaszterek szerinti csoportos¶³t¶as Ä
osszevet¶ese. Forr¶as: saj¶at sz¶am¶³t¶as.
Osszefoglal¶ Ä as
A sz¶am¶³t¶assorozat ¶es az eredm¶enyek bemutat¶asa ut¶an t¶erjÄunk vissza az ere- deti k¶erd¶esre, hogy m¶erhet}o-e az, hogy mit}ol j¶o egy egyetem? Mivel az egyetem egy sok szÄovet}u, bonyolult m}ukÄod¶es}u int¶ezm¶eny, nem lehet n¶eh¶any v¶altoz¶o kiv¶alaszt¶as¶aval minden tev¶ekenys¶eget m¶erni, ami a falakon belÄul zaj- lik, ¶es onnan kisug¶arozva hat. Az biztosan seg¶³t az ¶ert¶ekel¶esben, ha sok v¶altoz¶oval jellemezzÄuk a fels}ofok¶u oktat¶ast ¶es kutat¶ast, ¶es tekintettel vagyunk a v¶altoz¶ok kÄozÄott m¶erhet}o kÄolcsÄonÄos sztochasztikus kapcsolatokra. Ez a sok- dimenzi¶os megkÄozel¶³t¶es azonban nehezen ¶ertelmezhet}o eredm¶enyeket ad, ¶es nem kÄonnyen ¶erthet}o ÄosszefÄugg¶esekre h¶³vja fel a ¯gyelmet.
Hogyan tegyÄuk ¶erthet}obb¶e az eredm¶enyeket? A szok¶asos technika, hogy a v¶altoz¶okat s¶ulyozva Äosszeadjuk, ¶es ez alapj¶an rangsorolunk, nem meglep}o m¶odon inform¶aci¶oveszt¶eshez vezet, ¶ugy, hogy err}ol a rangsor olvas¶oja nem is ¶ertesÄul. A s¶ulyok v¶altoztat¶asa Äonmag¶aban, vagy az ¶uj v¶altoz¶ok bevon¶asa ut¶ani s¶uly-¶atrendez¶es ¶uj rangsort eredm¶enyez, ¶³gy k¶et id}oszak rangsor¶aban l¶athat¶o v¶altoz¶as nehezen ¶ertelmezhet}o. A v¶altoz¶ok kÄor¶eben bekÄovetkez}o v¶al- toz¶as term¶eszetesen befoly¶asolja a sokv¶altoz¶os statisztikai m¶odszerekkel v¶eg- zett sz¶am¶³t¶asok eredm¶eny¶et is, erre teh¶at nincsen orvoss¶ag.
A v¶altoz¶okb¶ol k¶epzett f}okomponensek azt jelzik, hogy nem sikerÄult egy- dimenzi¶os faktorba s}ur¶³teni a 10 mutat¶ot, a klaszterek is elkÄulÄonÄul}o v¶altoz¶o- csoportokat mutatnak, ¶es a sk¶alat¶erk¶ep is legal¶abb k¶etdimenzi¶os. Az eredm¶e- nyek ¶abr¶azol¶asa, a vizualiz¶aci¶o a r¶eszletesebb statisztikai magyar¶azat n¶elkÄul is meggy}ozheti az olvas¶ot, hogy nem egys¶³k¶u a fels}ooktat¶asi int¶ezm¶enyek be- sorol¶asa.
Ugyanakkor azt nem gondolom, hogy felesleges a rangsorol¶as, hiszen olyan ez, mint az olimpi¶an el¶ert helyez¶es, ÄosztÄonÄoz ¶es tov¶abbi verseng¶esre b¶³ztat. A gondosan kiv¶alasztott ¶es stabilan haszn¶alt mutat¶osz¶amok fontos r¶esz¶et k¶epe- zik a transzparens Äosszehasonl¶³t¶asnak. Ezt kÄoveti a m¶odszertan kÄozz¶et¶etele, ami nem felt¶etlenÄul a s¶ulyozott Äosszead¶assal azonos. Ha m¶ar azt el¶erjÄuk, hogy homog¶enebb lig¶ak vagy csoportok k¶epz}odnek, ¶es azon belÄul ¶ert¶ekel}odnek az egyetemek, akkor a t¶em¶aban foly¶o szakmai diskurzus nem volt hi¶abaval¶o.
Irodalom
1. Csaba L¶aszl¶o { Szentes Tam¶as { Zalai Ern}o (2014): Tudom¶anyos-e a tudo- m¶anym¶er¶es? Megjegyz¶esek a tudom¶anymetria, az impaktfaktor ¶es az MTMT haszn¶alat¶ahoz.Magyar Tudom¶any,175. ¶evf. 4.sz. http://www.matud.iif.hu/
2014/04/12.htm
2. Csat¶o L¶aszl¶o (2013): Rangsorol¶as p¶aros Äosszehasonl¶³t¶asokkal. Kieg¶esz¶³t¶esek a felv¶eteliz}oi preferencia-sorrendek m¶odszertan¶ahoz.KÄozgazdas¶agi Szemle,LX.
¶evf., 12, 1333{1353.
3. Csat¶o L¶aszl¶o (2016): Fels}ooktat¶asi rangsorok jelentkez}oi preferenci¶ak alapj¶an.
KÄozgazdas¶agi Szemle,LXIII. ¶evf., 1, 27{61.
4. Cs¶oka Imola { Neszveda G¶abor { Sebesty¶en G¶eza. (2019). Tudom¶anyos tel- jes¶³tm¶eny m¶er¶ese a magyar fels}ooktat¶as gazdas¶agi k¶epz¶eseiben.KÄozgazdas¶agi Szemle,LXVI. ¶evf. (7-8), 751-770.
5. Frans A. van Vught { Frank Ziegele (Editors) (2012):Multidimensional Rank- ing, The Design and Development of U-Multirank,Springer, 198 p.
6. Husson, F. { Le, S. { Pages, J (2017):Exploratory Multivariate Analysis by Example Using R.CRC Press, Taylor & Francis Group, 248 p.
7. Koszty¶an Zsolt Tibor { Ban¶asz Zsuzsanna { Cs¶anyi Vivien Val¶eria { Telcs Andr¶as (2019): Fels}ooktat¶asi lig¶ak, parci¶alis rangsorok k¶epz¶ese biklaszterez¶esi elj¶ar¶asokkal.KÄozgazdas¶agi Szemle,LXVI. ¶evf., 9, 905{931.
8. Kov¶acs Erzs¶ebet (2014):TÄobbv¶altoz¶os adatelemz¶es.Typotex, Budapest, http:
//etananyag.ttk.elte.hu/FiLeS/downloads/14 Kovacs E Tobbvalt adatelemz es.pdf
9. Olcay, G. A. - Bulu, M.(2017): Is measuring the knowledge creation of uni- versities possible? A review of university rankings.Technological Forecasting and Social Change123, 153{160.
10. Quacquarelli Symonds QS World University Rankings { EECA Region { 2020, https://www.topuniversities.com/university-rankings/eeca-rankings/
2020, www.topuniversities.com/eeca-rankings/digital-supplement-2020 11. Telcs Andr¶as { Koszty¶an Zsolt Tibor { TÄorÄok ¶Ad¶am (2013): Hallgat¶oi pre-
ferencia-sorrendek k¶esz¶³t¶ese az egyetemi jelentkez¶esek alapj¶an.KÄozgazdas¶agi Szemle,LX. ¶evf., 3, 290{317.
12. Telcs Andr¶as { Koszty¶an Zsolt Tibor { TÄorÄok ¶Ad¶am (2013): Re°exi¶ok Csat¶o L¶aszl¶o vitairat¶ara.KÄozgazdas¶agi Szemle,LX. ¶evf., 12, 1354{1356.
13. Temesi J¶ozsef (szerk) (2012):Fels}ooktat¶as-¯nansz¶³roz¶as. NemzetkÄozi tenden- ci¶ak ¶es a hazai helyzet.Aula Kiad¶o, 339 p. http://unipub.lib.uni-corvinus.hu /1017/1/Temesi felsookt ¯nan.pdf
14. TÄorÄok ¶Ad¶am (2008): A mez}ony ¶es tÄukÄork¶epei. Megjegyz¶esek a magyar fels}o- oktat¶asi rangsorok haszn¶ar¶ol ¶es korl¶atair¶ol. KÄozgazdas¶agi Szemle, LV. ¶evf., 10, 874{890.
15. Vernon, M. M. { Balas, E. A. { Momani, S. (2018): Are University Rankings Useful to Improve Research? A Systematic Review.PloS one,13(3), e0193762
IS THERE SOMETHING HIDDEN BY THE UNIVERSITY RANKINGS?
In this paper, a common ranking problem is taken into consideration, namely, the value of the unique rank number. The universities, future students and their families often face the challenge how to use the information arriving from the po- sition of universities in di®erent rankings. There are many variables relevant to describe the educational and research quality of the universities, but a weighted sum of them cannot support credible decision making. Our goal is to elaborate multivariate statistical analysis, which creates more comprehensive evaluation of universities. However, we do not intend to give a systematic review of university ranking systems. Many universities rely on university ranking systems as indica- tors of improvement over time. They are also often cited in comparison to other institutions and when leaders request funding from government sources (Vernon at all (2018)). The ¯rst Hungarian higher education ranking was published 20 years ago by Felvi.hu. Hungarian researchers, among them TÄorÄok (2008), Hrubos (2009) wrote warning signals, underlining the problem of indicator selection, and the validity of ranking instead of classi¯cation of universities.
There are e®orts in the literature (Cs¶oka et al., 2019) to add more emphasis to publications and citations as measures of the high quality research. Two dimensions of excellences are used in the Hungarian ranking: student excellence and teaching sta® excellence. Based on these sub-ranks, the ¯nal ranking is usually a surprise.
The ¯rst institute on the global ranking is not the best on the sub-rankings. Corv- inus University of Budapest is highly appreciated on the student excellence (2th position) and less good on the faculty scale (15th position), all together CUN is the 8th on the list. This is the consequence of adding di®erent measures, and the problem is not solved by using weighted averages as many international ranking companies do it.
In the age of big data it is easy to collect and analyse data. Velocity, Volume, Value, Variety and Veracity of data measuring quality of universities are present in this content as well. Multidimensional approach is operationalized, as we can read in the book: Multidimensional Ranking. The Design and Development of U-Multirank (2012). Here 24 authors took part in this research and created a user-driven ranking tool. They used 27 indicators about education, 14 indicators presenting research, 15 measures of knowledge transfer, 13 indicators about interna- tional orientation and 10 variables of regional e®ect. Their ¯nal conclusions are the following: (1) there is no objective ranking; (2) experts use subjective assumptions which are not transparent in the ¯nal ranking; (3) higher education and research in- stitutions have di®erent pro¯les and missions, the performance of these institutions should re°ect these di®erences.
There is another { axiomatic { approach of ranking in Hungary. Telcs et al.
(2013) and Csat¶o (2013) discussed the evaluation based on the preferences of stu- dents and calculated by using entrance exam points. Reading publications about university rankings one can have a feeling about the impossibility of this challenging topic. There are data, there are methods, but experts do not believe the results pub- lished by the others. One of the reasons behind this situation is the latent character of the quality of universities. There are many indicators relevant to university rank- ings and they are stochastically dependent. Based on the correlation among them, factor analysis can be applied to reduce the dimension and create factors saving information. This data-driven approach is based on the eigenvalue-eigenvector de-
composition. The highest eigenvalue measures the information compressed into the
¯rst factor. If this is relatively high (its ratio to the number of variables is around 90%), then we can speak about a good ranking. In particular, the Quacquarelli Symonds QS World University Rankings { EECA Region data were used to check the necessary number of factors to evaluate 100 universities located in Emerging Europe and Central Asia.
In our case 10 indicators were used and the ¯rst ¯ve eigenvalues summarised 84,6% of the total information. Variables are listed in Table 6 where components are visible according to the correlation coe±cients. This is a convincing result against using a single number, presenting only ranking. By classifying variables according to the Euclidean distances among them, two main clusters can be sepa- rated. Students and sta® variables are in one cluster, and reputation with research measures are in the second cluster. Sta® with PhD has a special coordinate created by multidimensional scaling. Its position on the map is unique in spite of the fact that Sta® with PhD is used as a proxy of the education quality. To summarise, we were motivated to measure the quality of universities by using multivariate statis- tical methods. All of the results from factor analysis, cluster analysis, and scaling procedures are convincing, higher education has a very complex nature, which is often hidden by simple rankings.
Key words: university rankings, factor analysis, cluster analysis, multidimen- sional scaling. JEL: I23, C38
